但是，仅仅报告和可视化还远远不能达到预测效果。为了实现预测，组合数据集通过机器学习算法运行，以查明可能导致设备故障的异常模式。
数据科学家使用公认的数据模式作为创建预测模型的基础。并对模型进行训练、测试，然后用于识别是否出现任何早期问题、预测机器何时可能出现故障，查明导致机器故障的运行状况和使用模式，等等。一旦发现潜在故障，预测性维护解决方案会向维护专家发送通知，通知他们潜在的性能下降，并建议缓解措施。
VR集团（一家芬兰的铁路公司）已实施了支持工业物联网的预测性维护解决方案，以提高车厢的可靠性，避免过多的维护活动。他们使用来自与潜在故障点（轴承、制动盘等）相连的传感器数据来实时了解铁轨和机车车辆的状况，并识别出早期故障的根本原因。
维度2、制造业供应链中的可见性
目前，对于52%的供应链经理来说，端到端供应链的可见性似乎还很遥远。然而，采用物联网驱动的供应链管理解决方案的前景相当乐观：正如IDC预测的那样，到2020年，80%的供应链互动预计将发生在基于云的网络上。同一消息来源称，向物联网供应链管理解决方案的过渡预计将使供应链生产力提高15%，成本效率提高10%。
物联网供应链管理解决方案为制造商提供了对供应链任何环节中每个对象的位置、状态和状况的实时洞察。
除了监控对象的位置和属性之外，物联网还用于监控对象存储和交付的条件。在物联网投入使用之前，只有在货物到达交货点时才能对其状况进行监控。现在，材料、部件和货物的状况可以在途中进行监控，这对于易碎和易腐物品（例如药品、食品、玻璃器皿等）的制造商尤其重要。
以一家制药公司通过第三方物流公司将订单送到配送中心为例。附着在货仓上的传感器监控货仓内部的温度，假设，由于冷却系统故障，货仓内部的温度开始升高，而附着在货仓内的温度传感器监测到温度超过阈值，然后自动通知制造商，告知运输条件发生变化，并提醒驾驶员重置冷却系统，从而防止运输的药物变质。
